하네스 워 — OpenAI vs Anthropic, 그리고 우리가 준비해야 할 것

1. 왜 갑자기 "하네스(harness)" 가 화두인가

"Claude Code serves as the agentic harness around Claude: it provides the tools, context management, and execution environment that turn a language model into a capable coding agent."

— Anthropic 공식 문서 (메모라이저: How Claude Code Works — Harness, AI Agent, Agentic Loop)

flowchart LR
    Model["LLM<br/>(말 = 추론 엔진)"]
    subgraph Harness["Harness (마구)"]
        Tools["도구<br/>Bash / Read / Write"]
        Perm["권한 &<br/>승인 게이트"]
        Sandbox["샌드박스"]
        Session["세션 &<br/>메모리"]
        Context["컨텍스트<br/>관리"]
        Ext["확장:<br/>MCP / Skills / Hooks"]
    end
    Model --> Harness
    Harness --> Agent["AI 에이전트<br/>(스스로 판단·행동)"]

2. Anthropic의 하네스 — "단순하게 시작하고, 필요할 때만 복잡성을 더하라"

2.1 설계 철학

"Find the simplest solution possible, and only increase complexity when needed."

— Prithvi Rajasekaran, Anthropic Labs

"Every component in a harness encodes an assumption about what the model can't do on its own."

2.2 핵심 패턴 — Generator / Evaluator / Planner (GAN 영감)

flowchart LR
    User["사용자<br/>(한 줄 프롬프트)"] --> Planner["Planner<br/>(상세 PRD로 확장)"]
    Planner --> Generator["Generator<br/>(실제 작업자)"]
    Generator -->|"Sprint Contract<br/>(완료 정의 합의)"| Evaluator["Evaluator<br/>(Playwright MCP로 QA)"]
    Evaluator -->|"FAIL"| Generator
    Evaluator -->|"PASS"| Done["완료"]

"The generator and evaluator negotiated a sprint contract: agreeing on what 'done' looked like for that chunk of work before any code was written."

2.3 Anthropic이 강조한 두 가지 발견

• 첫째, 도메인이 다른 서브에이전트들이 서로 다른 시스템 프롬프트 를 갖고 협업할 때 단일 큰 프롬프트보다 결과가 안정적이다.

• 둘째, Evaluator가 코드 작성 전 에 "완료 정의(Sprint Contract)"를 Generator와 합의하면, 평가-수정 루프 횟수가 유의미하게 줄어든다.

2.4 비용 데이터 (실제 수치)

3. OpenAI의 하네스 — "long-horizon harness × 샌드박스 × 100+ LLM"

• <https://openai.com/index/the-next-evolution-of-the-agents-sdk/> (2026.4.15)

• TechCrunch, "OpenAI updates its Agents SDK..." (2026.4.15)

3.1 핵심 개념

"The harness refers to the other components of an agent besides the model it's running on, and an in-distribution harness allows companies to both deploy and test agents running on frontier models."

— TechCrunch (2026.4.15)

3.2 OpenAI의 메시지

• MCP는 열려 있다 — 그러나 하네스는 OpenAI 워크벤치 안에서 시각적으로 조립 하는 방향.

• 그 대신 ChatKit / Widget Builder / Connector Registry 가 한 번에 묶여서 따라온다.

4. OpenAI vs Anthropic — 하네스 비교

flowchart TB
    subgraph Anthropic["Anthropic Harness — 코드 우선의 미니멀리즘"]
        A1["Claude Agent SDK"]
        A2["Skills + Hooks"]
        A3["Sub-agent 패턴<br/>Planner → Generator → Evaluator"]
        A1 --> A2 --> A3
    end
    subgraph OpenAI["OpenAI Harness — 풀스택 워크벤치"]
        O1["Agents SDK 2.0<br/>(long-horizon harness)"]
        O2["AgentKit / Agent Builder<br/>(시각적 캔버스)"]
        O3["샌드박스 + 서브에이전트<br/>+ Code Mode"]
        O4["ChatKit / Widget Builder<br/>(배포 채널)"]
        O1 --> O2 --> O3 --> O4
    end

5. 왜 하필 하네스 계층이 벤더 록인되는가

5.1 "결국 엔터프라이즈가 돈 낸다"는 학습된 행동

flowchart LR
    GH["GitHub<br/>(Enterprise)"] -->|"ACL/SAML/Audit"| ENT1["엔터프라이즈 ISMS 요구사항"]
    Slack["Slack<br/>(Enterprise Grid)"] -->|"DLP/eDiscovery"| ENT1
    Notion["Notion<br/>(Enterprise)"] -->|"SCIM/audit logs"| ENT1
    Claude["Claude Team/Enterprise"] -->|"RBAC/SSO"| ENT1
    OpenAI["ChatGPT Business/Enterprise"] -->|"audit logs/usage analytics"| ENT1

• Free / MAX = 개인 코딩 어시스턴트

• Team / Enterprise = 하네스 거버넌스 (audit, tracing, multi-seat, 정책 게이트)

5.2 OpenAI의 "하네스 = 모델 학습 분포의 일부" 주장

6. 인프라 비용 폭증 — 클라우드도 로컬도 같이 비싸진다

6.1 LLM은 공기처럼 싸지는데, "그 주변" 은 비싸진다

"AI의 적은 시간이다. 오늘의 Pro급 추론이 6개월 뒤면 Free급이 된다."

— 메모라이저: ChatGPT Pro 90% Discount Promotion in South Korea

• GPU: LLM 추론용

• 메모리 / SSD / NAND: 로컬 PC 부품 가격 급등 (사용자들이 체감)

• 컴퓨트(BYOC): OpenAI는 long-horizon harness 에 직접 컴퓨트를 가져오라 고 명시적으로 요구

6.2 Google의 반격 — TurboQuant와 제번스 역설

"추론이 진짜 싸지면, 그 동안 가격 때문에 못 쓰던 응용에 자유로워진 메모리가 다 흡수된다. 총 메모리 수요는 줄지 않고 오히려 폭발한다."

flowchart LR
    A["효율 6×↑<br/>(TurboQuant)"] --> B["단가 ↓"]
    B --> C["에이전트 워크로드<br/>폭발"]
    C --> D["총 메모리·GPU·전력<br/>수요 ↑↑"]
    D --> E["로컬 PC 부품<br/>+ 클라우드 청구서<br/>동시에 상승"]

6.3 클라우드 vs 로컬 — 둘 다 동시에 비싸진다

• 클라우드 — 토큰은 싸지나, BYOC + 샌드박스 + 트레이싱 + 거버넌스 묶음이 Enterprise 플랜으로 강제됨.

• 로컬 — Gemma 3/4, Llama 3, Phi-3 같은 온디바이스 모델이 살아남지만, 그걸 돌릴 메모리/SSD/GPU 가격이 오른다.

7. 그래서 우리는 무엇을 준비해야 하는가

7.1 세 가지 시나리오

flowchart TD
    Choice["우리의 선택"]
    Choice --> S1["시나리오 A<br/>벤더 락 하네스 위에서 논다"]
    Choice --> S2["시나리오 B<br/>네이티브 하네스를 직접 설계한다"]
    Choice --> S3["시나리오 C<br/>하이브리드 — 온디바이스 + 프론티어 모델 혼용"]

    S1 -->|"장점"| S1P["빠른 시작, 풀스택 도구 제공"]
    S1 -->|"단점"| S1C["라이선스·가격 인질, 모델 락인"]

    S2 -->|"장점"| S2P["완전 통제, 멀티벤더 가능"]
    S2 -->|"단점"| S2C["엔지니어링 비용, 러닝커브"]

    S3 -->|"장점"| S3P["비용 최적, 위험 분산"]
    S3 -->|"단점"| S3C["벤더 하네스가 이 브릿지를 허용 안 할 수도"]

7.2 함정 — "Team/Enterprise로 강제 이전"

7.3 사내에서 권장하는 실천

8. 마치며 — 어느 쪽에 베팅할 것인가

"Every component in a harness encodes an assumption about what the model can't do on its own."

1. "우리도 네이티브 하네스 엔지니어가 되어야 하는가?" — 그렇다. 단, 모든 계층에서가 아니라 도메인 특화 계층(우리 도메인의 Evaluator, 우리 5축 평가, 우리 거버넌스 정책)에서만.

2. "벤더 하네스 위에서 노는 게 더 합리적인가?" — 부분적으로 그렇다. 단, 세 가지 탈출 통로 는 미리 잡아두자 — MCP, 하네스 트레이싱, 데이터 거버넌스.

참고 자료

자매 글 / 원작

• 🐎
  Harness Wars — OpenAI vs Anthropic, and What We Need to Prepare For

• 에이전틱에 액터모델, 놀랍지 않다

• Akka.NET으로 AgentAI 오케스트레이션 만들기 — 클러스터 확장편 (Part 2)

외부 1차 자료

• Anthropic, Harness Design for Long-Running Apps (2026.3.24) — https://www.anthropic.com/engineering/harness-design-long-running-apps

• OpenAI, The Next Evolution of the Agents SDK (2026.4.15) — https://openai.com/index/the-next-evolution-of-the-agents-sdk/

• TechCrunch, OpenAI updates its Agents SDK... (2026.4.15)

• Google, TurboQuant 발표 (2026.3.25) — https://v.daum.net/v/20260329050205578

메모라이저

• Agentic AI: 경험이 과대광고보다 중요한 이유 (Akka CEO 관점)

• OpenAI Agents SDK 차세대 진화 정리 (2026-04-15)

• OpenAI Agents SDK 진화 발표의 실무 해석

• Claude Code Routines vs OpenAI Agents SDK 비교